Автор: Егор Заплатин · Яндекс Вертикали
Егор Заплатин — фронтенд тимлид в Яндекс Вертикалях (Путешествия, Аренда, Авто.ру). Доклад на Vertis JS 2026: полгода работы с AI-агентами в реальных задачах, выводы о том, что нужно сделать, чтобы они работали предсказуемо.
AI-агент не замещает инженера — он меняет то, на что инженер тратит время. Заплатин это понимает, хотя в докладе использует популярную аналогию «прокачать до мидла» — скорее как метафору для аудитории, а не буквальное сравнение. Содержательная часть, если убрать маркетинговую рамку, прикладная и по делу.
Центральная мысль: если ваш агент работает — это ещё ничего не значит. Надёжная работа в production требует инженерии. Заплатин разбирает четыре конкретные практики: правильно выстроенный контекст (что агент видит и в каком виде), feedback loop (как агент получает сигнал об ошибке и исправляет курс до конца задачи), MCP-интеграции (реальные инструменты вместо угадывания по обучающим данным), и скиллы — описания того, как решать конкретные задачи в конкретной кодовой базе. Примеры из продуктовых и технических задач на реальных проектах. Отдельно — задачи за пределами кода и масштабирование на команду.
Кому смотреть: разработчикам и тимлидам, которые уже попробовали агентов и столкнулись с нестабильным результатом — работает в одном случае, ломается в другом.
Из этого можно взять в работу: прежде чем оценивать агента, проверьте, что он видит нужный контекст — правильные файлы, актуальную документацию, внятное описание задачи. Половина проблем с качеством — это проблема контекста, а не модели.
Контекст — первое, на что обращает внимание Заплатин. Агент видит ровно то, что вы ему передаёте: если контекст неполный или плохо структурированный, результат непредсказуем вне зависимости от качества модели. Это не специфика AI — это свойство любого инструмента, которому нужно внятное техническое задание.
Feedback loop — механизм, позволяющий агенту получить сигнал об ошибке в процессе, а не после. Без него агент уверенно движется в неправильном направлении до конца задачи. Заплатин показывает, как выстроить цикл проверки так, чтобы агент мог скорректировать курс самостоятельно.
MCP (Model Context Protocol) — стандарт для подключения внешних инструментов: баз данных, API, документации. Вместо того чтобы агент угадывал нужные данные из обучения, он вызывает инструмент и получает актуальный ответ. Это принципиально меняет класс задач, с которыми он справляется надёжно.
Скиллы — описания того, как решать конкретные задачи в конкретной кодовой базе. В отличие от общих инструкций, скиллы привязаны к контексту проекта: какие паттерны использовать, каких — избегать, как устроена архитектура. Чем точнее описан скилл, тем стабильнее результат на похожих задачах.